"Une évaluation intelligente des processus d'affaires pour l'aide à la décision des entreprises"
(Thèse Nelson Marcelo ROMERO AQUINO)
Résumé :
Les entreprises s'adaptent quotidiennement à différents types de défis afin de gérer des aspects tels que la durabilité, la conformité réglementaire, l'adoption efficace de nouvelles technologies, l'optimisation des coûts, la gestion efficace des risques, etc. Ces adaptations nécessitent des transformations efficaces et, dans certains cas, considérables. Dans ce contexte, une analyse des capacités et des limites de l'entreprise est nécessaire comme première étape avant de planifier toute initiative de transformation. À cette fin, il est essentiel de procéder à des évaluations. Le processus d'évaluation se déroule selon les étapes suivantes : planification, collecte des données, détermination des résultats et présentation des résultats. En particulier, les phases de collecte des données et de détermination des résultats nécessitent souvent un investissement en temps et en efforts si elles sont réalisées par une équipe d'évaluateurs humains. Les évaluations purement manuelles sont coûteuses en termes de consommation de ressources et sont plus susceptibles de produire des résultats d'évaluation incomplets, plus subjectifs, voire biaisés, car certaines données utilisées pour l'évaluation peuvent être incorrectement collectées, traitées ou analysées par l'équipe d'évaluation. Par conséquent, l'automatisation du processus d'évaluation par l'utilisation de systèmes intelligents dédiés pourrait apporter une grande valeur aux entreprises. Cette thèse vise à formaliser un cadre pour effectuer des évaluations intelligentes des entités de l'entreprise : le Smart Assessment Framework (SAF). Le SAF est un cadre conceptuel, décrit par un modèle conceptuel, qui a été conçu pour servir de base au développement et à la mise en oeuvre de systèmes d'évaluation dotés de capacités intelligentes telles que la perception des données, l'apprentissage et le raisonnement. Le SAF a été validé dans deux implémentations liées à l'évaluation automatique de la capacité des processus commerciaux dans les entreprises. La première implémentation est liée à l'utilisation de descriptions de processus en format texte pour effectuer les évaluations. Cette implémentation est basée sur une approche hybride qui combine l'utilisation de techniques de Deep Learning pour le traitement du langage naturel et d'ontologies pour la représentation et l'inférence des connaissances. La deuxième mise en oeuvre est liée à l'utilisation de modèles de processus comme preuves d'évaluation en entrée. La mise en oeuvre est basée sur un réseau de neurones convolutif graphique (GCN) qui a été formé pour évaluer les processus d'affaires en termes de qualité. En outre, comme première étape pour le traitement des modèles d'entreprise et avant l'application de l'approche GCN, la thèse introduit également une approche systématique basée sur le paradigme Goal Question Metric et la méthode Pseudo-Requirement Graph pour définir les exigences qui peuvent être évaluées lors des évaluations qui sont basées sur l'analyse des modèles d'entreprise.
Jury : | |
- Rapporteurs : | Grégory Zacharewicz, Professeur, IMT - Mines Alès, France |
Grégory ZACHAREWICZ, Professeur IMT - Mines Alès | |
- Autres membres : | Walid GAALOUL, Professeur Télécom Sud Paris Examinateurs : Dr. Mario Lezoche, Maître de Conférences,HDR, Université de Lorraine, France Prof. Henderik Proper, Professeur, Université du Luxembourg, Luxembourg Dr. Béatrix Barafort, Auditrice Interne, LIST, Luxembourg |